基于深度卷积神经网络的旋转机械复合故障诊断方法研究
| 致谢 | 第3-4页 |
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 变量注释表 | 第16-18页 |
| 1 绪论 | 第18-21页 |
| 1.1 研究背景及意义 | 第18-19页 |
| 1.2 本文的主要研究内容和结构安排 | 第19-20页 |
| 1.3 本章小结 | 第20-21页 |
| 2 文献综述 | 第21-27页 |
| 2.1 旋转机械故障诊断发展历程和研究现状 | 第21-25页 |
| 2.2 旋转机械复合故障诊断研究现状 | 第25-26页 |
| 2.3 旋转机械复合故障诊断发展趋势 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 滚动轴承故障和转子故障的特征探究 | 第27-41页 |
| 3.1 滚动轴承故障机理及特征 | 第27-31页 |
| 3.2 转子故障机理及特征 | 第31-32页 |
| 3.3 滚动轴承-转子复合故障特征 | 第32-37页 |
| 3.4 滚动轴承-转子复合故障实验 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于VMD和增强包络谱结合的信号处理 | 第41-58页 |
| 4.1 轴承-转子复合故障振动信号模型 | 第41-42页 |
| 4.2 VMD-EES故障诊断方法 | 第42-45页 |
| 4.3 仿真信号故障特征提取 | 第45-49页 |
| 4.4 滚动体故障实测信号特征提取 | 第49-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 基于深度卷积神经网络的旋转机械复合故障诊断 | 第58-82页 |
| 5.1 DCNN概述 | 第59-62页 |
| 5.2 ES-DCNN故障诊断方法 | 第62-71页 |
| 5.3 Semi-DCNN故障诊断方法 | 第71-81页 |
| 5.4 本章小结 | 第81-82页 |
| 6 总结与展望 | 第82-84页 |
| 6.1 结论 | 第82-83页 |
| 6.2 展望 | 第83-84页 |
| 参考文献 | 第84-89页 |
| 作者简历 | 第89-91页 |
| 学位论文数据集 | 第91页 |
